
投资人开始流行上豆包
一场硬科技投资立项会上,合伙人听完项目介绍后接连抛出问题:过去一年,这个赛道有哪些企业拿到融资?头部机构的布局情况如何?内部此前谁跟进过哪些相关项目?
问题看似简单,背后却涉及内外部多方面的信息。这些信息散在金融数据库和不同人的文件夹里。放在以前,团队要花费不少时间查找、筛选和核对。
现在情况变了。
弘毅投资团队只需要在豆包工作中说一句:“帮我梳理一下这个赛道的融资格局,以及内部投资团队对这一方向的关注和覆盖情况”。接下来,豆包工作便会从该团队的「投资云」管理平台中调取内部相关项目资料和研究记录,结合专业金融数据库,对内外部信息进行整合分析。最快10分钟,一份内外信息拉通的报告就摆在了桌上。
这一幕打破投资圈的印象:你以为豆包工作还在陪人聊家常,其实它已经悄然走进了专业投资机构的日常工作。
当投资人用上豆包
几年前,弘毅投资基于飞书接入了「投资云」,基金、项目、LP、投资协议以及每一笔投管记录都沉淀在其中,并按照基金、项目和投资者等维度归档。
目前,投资云经MCP 接入豆包工作:新项目的 BP 、投资人会议记录,发给豆包工作即可建档入库,再遇到相关方向,旧项目、基金记录和研究报告,都能通过豆包工作快速调取。
过去需要逐一查找、比对的信息,如今最快10分钟就能汇总成一份报告,并且一目了然。
如此一来,投资人不必再将大量时间花在信息搜集和整理上,而能把更多精力投入到项目分析和投资判断中。
国泰海通的金牌投顾祝超也受益颇多。他选择从个人工作习惯入手。将自己的投资框架、表达习惯和客户沟通方式逐步告诉豆包工作,再通过具体任务不断调整、磨合。他把这种协作比作赛车手与车载人工智能的配合:“默契来自磨合,方向仍由人来把握。”
凡此种种,从调用机构积累的项目资料,到熟悉投资人的个人框架和工作习惯,AI正在以不同的方式融入投资人的日常工作。
投资人负责方向、判断和决策,AI则逐渐接手越来越多具体的工作。从一个随用随开的工具,到一个熟悉业务、能够承接任务的工作伙伴,豆包工作正在投资机构里拥有自己的“工位”。
从40分钟到10分钟
到了投研环节,效率的提升同样直观。
投研工作,首先是信息“战”。宏观政策、行业变化、公司公告和财报需要持续跟踪,行情与交易数据又在不断更新。从基金经理、行业研究员到交易员、投资顾问,不同岗位关心的问题各异,却都要做海量的查找、筛选和整理工作。
Wind Alice团队的Nick说,“投研人员最 大的价值本来是提出好问题、找到投资 idea”。在他看来,大量的数据清理与搜集,挤占了投研人员最珍贵的思考时间。
但现在,国泰海通金牌投顾祝超的盘前资讯和盘中跟盘工作,已经发生了显著的变化。
按他的估算,过去做盘前资讯的采集、加工和形成材料,至少要花40分钟到一小时的信息搜集,现在交给豆包工作,约10分钟就能拿到标准化盘前资讯报告。
报告要快,更要准。前提是让AI接入专业金融数据。
豆包工作与Wind、同花顺、FactSet 等金融行业头部专业机构合作,共创内置金融数据库,协作完成数据校验、查询口径统一和检索效率优化。库内覆盖境内外股票、指数、期货、汇率、公司财务、宏观经济指标等结构化数据,也支持查找公告、财报原文和研究报告等非结构化资料。用户既能直接查数,也能进一步追查数字背后的业务信息与研究依据,数据来源可溯。
与此同时,Wind Alice、同花顺、东方财富妙想,以及国泰海通、广发基金等主流金融数据与投研服务商,也通过连接器、技能等方式将各自的金融数据与专业服务接入豆包工作。用户授权后,一句话就能查行情、调财报、翻研报,不必再在几个终端之间来回切换。
国泰海通灵犀大模型业务主管熊仁杰介绍,双方联合打造了可交互的MCP应用,将君弘智投的数据、分析方法和服务策略接入豆包工作。用户查行情、盯市场时,可以直接在对话中查看交互式图表和盯盘卡片,并围绕结果继续追问。
以看行情为例,国泰海通将可信行情数据能力接入豆包工作。一句话,就可以在豆包工作内获取“交互式可视化分时/K线”,时序价格、量能、等指标数据直观呈现,帮助用户快速识别趋势、辅助盘面判断。

此外,还有一件更费神的事:美联储调息。对宏观分析师和固收研究员来说,这曾是旷日持久的“信息游击战”————在多信息平台和海量数据中持续打转。
过去,临近调息,投研人员需要提前一周查看CME FedWatch,跟踪市场降息概率;提前三天查询CPI、非农等数据;提前一天搜集财经新闻、研判政策倾向;会议期间要及时获取利率决议、点阵图和讲话;会后再跟踪美元、美债、黄金、美股等资产表现,形成投资报告或者看板。
但现在,结合Wind Alice MCP,豆包工作可以直接拉取联邦基金利率期货隐含概率、最新利率决议、点阵图及关键宏观数据,随后自动计算并渲染成 HTML 交互看板:调息概率分布、时间轴变化、关键事件标注一屏呈现。看板可定时刷新,晨会前自动就绪,也可一键分享给团队。

“上一代人熬夜换来的东西,这一代人只需要动动手指。”Nick这样形容这种效率变化。
不过,金融工作里,速度还要与准确性放在一起看。
Nick在测试中就遇到过这类问题:此前测试其他 AI 产品时,即使Wind Alice MCP 已经准确返回数据,大模型在理解和处理过程中仍可能出现遗漏、错读甚至错误解读。“豆包工作对数据的采集和还原比较严谨。”
他认可的另一点,是豆包工作处理较长任务和金融时间序列时,对原始数据与上下文的保留。
这也是一份AI研究材料能否继续使用的关键。研究员需要知道数字从哪里来、采用什么口径,必要时能够回到原始资料重新计算。
老炮的手艺,也能人人上手
查数据、看行情之外,豆包工作开始进入更考验专业熟练度的建模与回测环节。
一位头部机构投资经理博伦表示:“就在 AI 时代之前,大家经常会以你能不能搭建三表联动模型、完成杠杆收购(LBO)模型,或者搭复杂模型的时间来判定你是不是一个‘老炮’。但现在我试了一下豆包工作,我感觉在 AI 时代,人人都可以成为模型老‘炮’。”
现在,豆包工作已经可以基于项目信息(BP、行业研究、企业财务数据等),调用内嵌的财务建模能力搭出估值模型,并以表格形式输出,数据口径勾稽对齐、业务拆解与关键变量假设写入模型,并配有情景假设、敏感性分析和图示化呈现。
研究员可以结合访谈记录与项目资料调整假设,表间数据随之联动。

除了搭建模型,这位投资经理还用豆包工作做过复核。在收到搭建完成后的模型后,他根据对项目的理解重新拆解业务、调整计算方法,提交前再把Excel交给豆包工作检查。“没想到它真的能发现其中我在搭建模型中的一些问题。”
量化研究也曾是一类门槛较高的工作。一个投资想法能不能成立,需要先转化为明确的选股和交易规则,再用历史数据回测,看看收益如何、回撤多大,扣除交易成本后是否仍然有效。
难处往往在细节。手续费和滑点怎么计入,涨跌停时能否成交,财务数据在当时是否已经披露,都会影响结果。研究员既要理解策略,也要取数、写代码、反复调试,再换不同时间区间检验表现。一个策略从想法到形成可供讨论的结果,往往需要几天。
现在,豆包工作将这类能力整合进金融工作台。使用“量化分析”技能,用自然语言说明研究目标和交易约束,就可以让它协助完成取数、编写回测代码、计算和生成图表报告,减少从头搭建环境与脚本的工作。研究员则把更多精力放在检查假设、核对规则和判断结果上。
AI同事已就位
回头看,豆包工作进入投资圈,细水长流。
投资这个行业,最贵的不是信息,而是对信息的判断。AI能做的,是把判断之前那些琐碎、重复、耗神的工序接过去,让人的精力回到真正需要人的地方。
从工具到同事,从“随用随开”到“熟悉业务”,豆包工作正在做的,不是替代谁,而是把投资人从信息战中解放出来,让他们有更多时间去做只有人才能做的事——提出一个好问题,做出一个敢下注的判断。
这或许就是AI进入一个专业领域时,最务实也最持久的方式:不喧哗,不越位,一点一点成为工作流里那个离不开的角色。等到某一天,投资人习惯性地说出“就靠豆包工作了”,它便不再只是个工具,而是这个行业里一个不可或缺的靠谱搭档。
格隆汇声明:文中观点均来自原作者,不代表格隆汇观点及立场。特别提醒,投资决策需建立在独立思考之上,本文内容仅供参考,不作为实际操作建议,交易风险自担。

